مطلب جالب زیر توسط همکار گرامی آقای حمیدرضا امینی برای وبلاگ آماده شده است. امیدورام که مثل همیشه از خواندن آن لذت ببرید و استفاده کنید.

دانلود متن کامل مقاله: داکینگ ملکولی (Molecular Docking)

با توجه به لزوم مطالعه برهمکنش بین ماکروملکول­ها نظیر DNA، پروتئین، RNA با یکدیگر و نقش آن­ها در عملکرد سلول و نهایتا فنوتیپ، و همچنین شبیه سازی محیط­های محل برهمکنش این ماکروملکول ها و همچنین ترکیبات مختلف نظیر عناصر و … با یکدیگر از یک طرف و همچنین اهمیت مطالعات بین رشته­ای از طرف دیگر، لازم بر آن شد تا در این پست مطلبی در این راستا برای خوانندگان این وبلاگ آماده گردد.

 امروزه بیوانفورماتیک در تعامل با سایر رشته­ها نظیر علوم زیستی، کامپیوتر، شیمی و فیزیک (کاربرد مکانیک کوانتومی و مکانیک ملکولی، معادلات فیزیک نیوتن، معادلات شرودینگر و …) به عنوان یک علم چندرشته­ای در شاخه­های مختلفی نظیر مطالعات امیک (ژنومیک، ترانسکریپتومیک، پروتئومیک، متابولومیک، اینترکتومیک، فلاکسومیک و غیره)، ایمنوانفورماتیک یا ایمونولوژی محاسباتی، کیموانفورماتیک یا شیمی محاسباتی، نقش چشمگیری را در علوم آنالیز توالی و ساختار، بررسی برهمکنش بین ملکول­ها در سطح اتمی، مدل‌سازی و پیشگویی عملکرد سیستم ایمنی، طراحی دارو و واکسن‌های جدید، تحقیقات آلرژی‌زایی و اکتشافات دارویی داشته است و جواب خیلی از سوالات دانشجویان در دوران دبیرستان باشد که چرا دانشجویان علوم تجربی دروسی نظیر فیزیک، ریاضیات و … در دوران دبیرستان اخذ می­کنند.

این علم نه تنها سبب تسریع تحقیقات علمی شده بلکه به‌ علت تعامل آن با پروژه‌های ژنوم منجر به دست‌یابی به اطلاعات بسیار زیادی در زمینه­های مختلف علوم زیستی گردیده است. در این راستا شناسایی برهمکنش میان ملکول­ها در علوم زیستی از اهمیت بالایی برخوردار است، چرا که بررسی ساختار و فعالیت ماکروملکول­ها در شرایط مختلف و نیز برهمکنش بین آنها برای درک بهتر عملکرد سلولی لازم بوده و از طرفی این ماکروملکول­ها در یک سلول و یا سلول­های مختلف به صورت برهمکنش با یکدیگر دارای عملکرد هستند، که این برهمکنش­ها نقش مهمی را در بسیاری از فرایندهای سلولی ایفا می­کنند به طوری که در این زمینه سرورهایی که برهمکنش بین ملکول ها را در سطح ژنومی بررسی می­کنند نظیر GWIDD (Genome Wide Docking Database) توسعه یافتند. بنابراین با توجه به نقش این برهمکنش­ها در فرایندهای سلولی و در نتیجه عملکرد، مطالعه و شناسایی این برهمکنش­ها بین ماکروملکول­های مختلف در سطح اتمی حائز اهمیت است، که در این میان روش­های بیوانفورماتیکی با تکیه بر ابزارهای ساختاری و پایگاه داده­های موجود، می­توانند اغلب پیش بینی کننده و تکمیل کننده نتایج آزمایشگاهی در رابطه با برهمکنش میان ماکروملکول­های زیستی بوده و در واقع به عنوان پلی میان آزمایشات تجربی و رهیافت‌های محاسباتی، سبب کاهش زمان و هزینه‌ها در فرآیند تحقیقات علمی شود (۱).

در این زمینه یکی از روش­های بیوانفورماتیکی جهت مطالعه برهمکنش بین ملکول­ها روش داکینگ ملکولی  است، که یک روش کلیدی برای پیشبینی ساختار کمپلکس و برهمکنش ماکروملکول­ها با یکدیگر (گیرنده-لیگاند) در سطح اتمی می­باشد (شکل ۱). به طور کلی زمانی که صحبت از لیگاند می­شود، منظور یک ملکول کوچک دارای فعالیت بیولوژیکی است که گاها یک پروتئین هم می­تواند باشد و گیرنده نیز می­تواند یک ماکروملکول  نظیر پروتئین، DNA و یا RNA باشد. اساساً هدف از داکینگ ملکولی، دستیابی به یک پیش بینی ساختار پیچیده­ی لیگاند-گیرنده با استفاده از روش­های محاسباتی است (۲, ۳). این روش برای اولین بار در سال ۱۹۸۲ مورد استفاده قرار گرفت (۴) و امروزه به طور گسترده به عنوان ابزار جستجوی مجازی  در مراحل اولیه فرایند توسعه دارو به کار برده می­شود (۵).

به طور کلی فرایند داکینگ شامل دو مرحله اصلی می­باشد. مرحله اول، مرحله نمونه­گیری (Sampling)، شامل ایجاد کانفورماسیون­های (تطابق­های) مختلف یک لیگاند و بررسی جهت­گیری آنها نسبت به جایگاه فعال گیرنده است. در این مرحله الگوریتم­های جستجو جهت ایجاد صورت­بندی­های مختلف یک لیگاند و بررسی جهت­گیری آنها نسبت به جایگاه فعال گیرنده استفاده می­شود (شکل ۲).

این الگوریتم­ها، شامل تطبیق پذیری سریع شکل، ساخت افزایشی، شبیه­سازی مونت کارلو، ژنتیک، جستجوی تابو و شبیه­سازی حرارتی  می­باشند، که این الگوریتم­ها به سه دسته کلی جستجوی سیستماتیک ، جستجو براساس تطابق شکل و جستجو به صورت تصادفی  تقسیم می­شوند. مرحله دوم داکینگ، مرحله امتیازدهی است که یک مولفه­ی مهم در برنامه­های داکینگ است، از این مرحله برای انتخاب بهترین ترکیب و یا بهترین صورت­بندی یک لیگاند استفاده و به عنوان مرحله سنجش تمایل اتصال لیگاند به گیرنده تخمین ­زده می­شود. این تابع الگوریتم داکینگ را قادر می­سازد تا با سرعت، کمیت برهمکنش بین لیگاند و گیرنده را بیان کند. در طول مرحله نمونه­برداری الگوریتم داکینگ کنفورماسیون­های مختلفی از لیگاند را در جایگاه فعال گیرنده جای می­دهد و براساس تابع امتیازدهی آنها را رتبه­بندی می­کند. در حالت ایده­آل یک تابع امتیازدهی بهترین امتیاز (منفی­ترین انرژی آزاد اتصال لیگاند-گیرنده) را به کنفورماسیونی از لیگاند متصل به گیرنده اختصاص می­دهد که از لحاظ سطح انرژی در بهترین حالت خود (حداقل مقدار) باشد (شکل ۳).

از جمله کابردهای داکینگ مولکولی استفاده از آن در طراحی دارو است. در حال حاضر طراحی دارو به کمک کامپیوتر به عنوان یکی از ابزارهای بسیار مفید برای توسعه منطقی داروها، مورد توجه قرار گرفته است و به یکی از شاخه های علمی مهم در شیمی دارویی تحت عنوان کیموانفورماتیک  یا شیمی محاسباتی تبدیل شده است. که در واقع شامل طراحی دارو از روی ساختار بوده و توانسته زمان لازم برای شناسایی و طراحی ترکیبات دارویی، نوع آن­ها و بهینه­سازی ساختارشان را به حداقل زمان برساند.

با این وجود تاکنون کاربردی از روش داکینگ در علوم دامی گزارش نشده است و با توجه به طیف وسیعی از مطالعاتی که در بخش عملی و در هر سه گرایش این سه رشته انجام می­شود به خوبی میتوان از این تکنیک در این رشته استفاده کرد. در گرایش ژنتیک و اصلاح دام می­توان به مطالعه پیش بینی برهمکنش آنتی­ژن-آنتی­بادی و شناسایی اپی­توپ آنتی­ژن و پاراتوپ آنتی­بادی به هنگام طراحی واکسن به کمک کامپیوتر که از آن به مطالعات ایمنوانفورماتیک یاد می­شود، اشاره کرد. ایمونوانفورماتیک یا ایمونولوژی محاسباتی اخیرا به ویژه با استفاده از اطلاعات ژنومیک به عنوان زمینه ای مهم و نوین نقش چشمگیری را در علوم آنالیز، مدل سازی و پیشگویی عملکرد سیستم ایمنی، طراحی واکسن­های جدید، تحقیقات آلرژی­زایی و … داشته است. همچنین به بررسی برهمکنش­های پروتئین-پروتئین، پروتئین-DNA، پروتئین-RNA، و نقشی که این برهمکنش­ها در فرایندهای سلولی و فنوتیپ صفات دارند، اشاره کرد. به عنوان مثال، ملکول­های RNA، علاوه­بر نقشی که در کد کردن پروتئین دارند، در بسیاری از فرایندهای سلولی از طریق برهمکنش با سایر ملکول­ها نظیر یون­های فلزی، پروتئین، DNA، و … دخیل هستند و به ندرت می­توان RNAای یافت که به تنهایی فعالیت خاصی را انجام دهد. بسیاری از RNAها تنها در حضور پروتئین­های خاصی عملکرد خود را ایفا می­کنند، همچنین بسیاری از RNA­ها به واسطه ملکول­های کوچکی تنظیم می­شوند و به محض اتصال این ملکول­ها به RNA، ساختار آن­ها تغییر پیدا می­کند و لذا می­تواند عملکرد آن را تغییر دهد. از طرفی RNA می­تواند به عنوان یک کاندیدای هدف برای یک دارو باشد که می­توان نقش آنتی­بیوتیک­ها را در اتصال به RNAهای ویروسی نام برد که استفاده از داکینگ می­تواند در اختصاصی کردن آنتی-بیوتیک­ها در رابطه با بیماری­ها در دام نقش مهمی را ایفا کند. همچنین با توجه به اینکه تعداد توالی­های ژنی و پروتئینی به طور چشمگیری در عصر ژنومیک در حال افزایش است، لذا شرح نویسی این توالی­ها در رابطه با بررسی عملکرد و مسیرهای بیوشیمیایی و برهمکنش­های مختلف محصولات حاصل از این توالی­ها با دیگر ملکول­ها یکی از مهمترین نیازهای ضروری رشته بیوانفورماتیک می­باشد، که بررسی برهمکنش این ملکول­ها با استفاده روش­های محاسباتی نقش مهمی را در این زمینه ایفا می­کند (۶).

از دیگر کاربردهای داکینگ در بررسی برهمکنش پروتئین-هاست. به عنوان مثال، یک ژن X، محصول پروتئینی آن با یک پروتئین دیگر حاصل از ژن Y و یا ترکیبات دیگر دارای برهمکنش بوده و در ایجاد یک فنوتیپ خاص در دام موثر باشد، و هدف یک محقق بررسی تاثیر چندشکلی­های ژنتیکی موجود در ژن X و بررسی تاثیر آن­ها بر ساختار پروتئینی آن و متعاقب آن بررسی برهمکنش این دو پروتئین در حالت­های مختلف ساختار پروتئینی ایجاد شده به دلیل چندشکلی­های ژننتیکی باشد، در این نوع بررسی، پس از اعمال تاثیر چندشکلی­های مختلف بر ساختار پروتئین، داکینگ ملکولی بین دو پروتئین در حالت­های مختلف انجام شده و از بین ساختارهای مختلف بهترین حالت براساس انرژی اتصال انتخاب می­شود و بدین صورت می­توان به عنوان یک مارکر و با استفاده از مطالعاتی که در سطح اتمی انجام شده است، از آن بهره جست.

در گرایش فیزیولوژی در رابطه با ترکیبات مورد استفاده جهت منجمد کردن سلول­های اسپرم و بررسی خصوصیات مرتبط با باروری سلول­های اسپرم که به وفور در این گرایش استفاده می­شود، می­توان اشاره کرد. مقایسه ماده موثره این ترکیبات با دیگر ترکیبات قبل از انجام مراحل آزمایشگاهی و انتخاب هدفمند ترکیبات، با استفاده از تکنیک داکینگ ملکولی و در کنار آن تکنیک­های غربالگری مجازی جهت جستجو و انتخاب این ترکیبات از پایگاه­داده­ها و براساس مسیرهای بیوشیمایی دخیل در آن، با استفاده از نرم افزارهای مختلف و تحت شرایط In Silico قابل پیگیری و انجام است، که خلا این نوع مطالعات، قبل و یا در حین انجام آزمون و خطا در آزمایشگاه و سپس مقایسه ترکیبات مختلف با یکدیگر به صورت تجربی، حس می­شود.

در مورد رشته تغذیه بحث استفاده از مواد مغذی شامل ویتامین­ها و عناصر معدنی، اسیدهای آمینه و غیره و عبوری کردن آنها از شکمبه مطرح می­شود که ساختار آنها در پایگاه داده­ها موجود و مشخص است و می­توان تاثیر و تعامل آنها را با دیگر ترکیبات شامل پروتئین­ها، هورمون­ها، کربوهیدرات­ها و همچنین DNA و بیان ژن­ها با استفاده از روش داکینگ ملکولی بررسی کرد. استفاده از داکینگ ملکولی می­تواند جهت سنتز ترکیباتی که از طریق آن مواد مغذی قابلیت جذب و دسترسی بیشتری برای موجود داشته و یا اینکه سنتز ترکیباتی که سموم موجود در خوراک را جذب کند؛ استفاده شود. بنابراین پایه ریزی چنین مطالعاتی قبل از آزمون و خطا به صورت تجربی در مقایسه با شرایط In Silico می­تواند، از یک طرف آگاهی محقق را در نوع ترکیبات مورد استفاده در جیره­های آزمایشی در حال مطالعه ارتقاء داده و از طرف دیگر از جنبه­های مختلف به خصوص از نقطه نظر اقتصادی و تجاری به عنوان مثال ساخت باندکننده­های سموم خوراکی بسیار حائز اهمیت و درآمد زا باشد.

دوستان در صورت نیاز به اطلاعات بیشتر در این زمینه می­توانند به منابع زیر مراجعه و یا در صورت داشتن سوالات در این زمینه، نظرات خود را در بخش نظرات مکتوب نمایند.

۱٫ Xue LC, Dobbs D, Bonvin AM, Honavar V. Computational prediction of protein interfaces: A review of data driven methods. FEBS letters. 2015;589(23):3516-26.

۲٫ Sharma A. Short notes on comparison of Molecular docking, Molecular Dynamics and QM/MM methods. Journal of Science. 2016;1(3):34-44.

۳٫ Yuriev E, Holien J, Ramsland PA. Improvements, trends, and new ideas in molecular docking: 2012–۲۰۱۳ in review. Journal of Molecular Recognition. 2015;28(10):581-604.

۴٫ Kuntz ID, Blaney JM, Oatley SJ, Langridge R, Ferrin TE. A geometric approach to macromolecule-ligand interactions. Journal of molecular biology. 1982;161(2):269-88.

۵٫ Irwin J, Lorber D, McGovern S, Wei B, Shoichet B. Docking and drug discovery. une. 2016;13:15.

۶٫ Dawson WK, Bujnicki JM. Computational modeling of RNA 3D structures and interactions. Current opinion in structural biology. 2016;37:22-8.